[发明专利]基于全卷积神经网络的即时目标追踪检测方法及系统

说明书

本发明公开了一种基于全卷积神经网络的即时目标追踪检测方法及系统，方法包括：S1、进行数据增强处理，得到训练样本；S2、将训练样本与第一帧对应的目标分割图以颜色通道维度进行组合；S3、将训练样本第二帧对应的目标分割图与其转置图在颜色通道维度进行组合；S4、构建全卷积对抗神经网络，其由全卷积网络和判别器网络构成；S5、训练判别器判断该分割图是由全卷积网络生成的伪造数据还是真实数据；S6、将分割图与其标签使用交叉熵计算损失值1和损失值2；S7、将步骤S5和S6轮流进行，直到全卷积网络生成尽可能接近真实的人为绘制的目标分割图。本发明依赖的数据少，运算速度快，具有即时性，可以在视频拍摄的同时就对视频中的目标进行追踪。

技术领域

本发明属于深度学习的技术领域，涉及一种基于全卷积神经网络的即时目标追踪检测方法及系统。

背景技术

目标追踪检测一直以来都是图像与视频检测领域的研究重点，它在交通影像处理、医学影像上的症结追踪和视频特殊处理(如打马赛克)等领域均有十分重要的作用。

常用的目标追踪检测方法有Struck，SCM，ASLA，KCF，TLD和DCF等，但这些方法都存在诸多的缺点，比如部分识别精度较低，而部分只能识别特定类别物体，当需要识别新的物体类型时，需要重新编写算法，这使得其开发周期较长，并且目前大部分基于滤波检测的算法都无法达到较高的语义分割精度。

近年来基于深度学习的目标追踪检测算法兴起，虽然这些算法具有更高的性能，但同时也存在着运算速度慢，训练困难，且对输入图像的尺寸具有严格要求。在实际应用中，往往存在着多目标检测的需求，一般方法往往只可以单目标追踪，而当需要多目标追踪时，则必须使用多线程同步分别追踪各个单位，或是引入其它方法，这对于运算速度有着十分不好的影响。所以目标追踪检测方法的优化是一个十分重要的课题。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于全卷积神经网络的即时目标追踪检测方法，可对追踪目标进行精确的语义分割且具有更高的运行速度。

本发明的另一目的在于，提供一种基于全卷积神经网络的即时目标追踪检测系统。

为了达到上述第一目的，本发明采用以下技术方案：

本发明基于全卷积神经网络的即时目标追踪检测方法，所述包括下述步骤：

S1、对数据集中的图像进行数据增强处理，得到训练样本；

S2、将得到的训练样本与训练样本第一帧对应的目标分割图以颜色通道维度进行组合，生成一个新的三维数组，并将其中的所有像素值进行归一化处理；

S3、将训练样本第二帧对应的目标分割图与其转置图在颜色通道维度进行组合，作为神经网络的标签，用于计算损失值；

S4、构建全卷积对抗神经网络，所述全卷积对抗神经网络的主体由一个用于生成目标分割图的全卷积网络和一个用于对抗训练的判别器网络构成，其中全卷积网络神经层的设置与构造均可随着使用需求而调整，且全卷积神经网络中部没有加入分类器；

S5、将全卷积网络生成的分割图与其标签分别输入判别器网络，使用该判别器进行二分类训练，让它可以判断该分割图是由全卷积网络生成的伪造数据还是人为标注的真实数据,为其伪造数据和人为标注的真实数据提供的目标值分别为，伪：[[0],[1]]，真：[[1],[0]]，交叉熵函数计算得损失值0；

S6、将全卷积网络生成的分割图与其标签使用交叉熵计算损失值1，然后全卷积网络生成的分割图输入判别器网络，为其提供的目标值为，真：[[1],[0]]，使用交叉熵函数计算其损失值2；

S7、将步骤S5和S6轮流进行，直到全卷积网络生成尽可能接近真实的人为绘制的目标分割图。

作为优选的技术方案，在步骤S1中，所述数据增强处理具体包括下述几种方式：